ИИ-гиганты могут стать «поставщиками кофейных зерен» для стартапов

Конкурентный ландшафт в сфере искусственного интеллекта меняется таким образом, что это подрывает преимущества крупнейших AI-лабораторий. Вместо гонки за создание универсального искусственного интеллекта (AGI), ближайшее будущее отрасли выглядит как множество отдельных бизнесов: разработка программного обеспечения, управление корпоративными данными, генерация изображений и так далее.

Как отмечается в анализе, помимо преимущества первопроходца, неясно, дает ли создание фундаментальной модели (foundation model) какое-либо преимущество в этих бизнесах. Хуже того, обилие открытых альтернатив означает, что создатели базовых моделей могут не иметь ценового рычага, если проиграют конкуренцию на уровне приложений. Это превратит такие компании, как OpenAI и Anthropic, в бэкенд-поставщиков в низкомаржинальном товарном бизнесе. Как выразился один основатель стартапа, это похоже на «продажу кофейных зерен для Starbucks».

«Насколько мы можем судить, в технологическом стеке ИИ нет inherent moat (врожденного рва)»

Отчасти это связано с тем, что преимущества масштабирования предварительного обучения — начального процесса обучения моделей ИИ с использованием массивных наборов данных — замедлились. Это не означает, что ИИ перестал развиваться, но первоначальные benefits гипермасштабированных фундаментальных моделей достигли diminishing returns, и внимание переключилось на пост-обучение и обучение с подкреплением как источники будущего прогресса.

Уже есть много указаний на то, что преимущество первопроходца не так велико. OpenAI была первой лабораторией, выпустившей модель для кодирования, а также генеративные модели для изображений и видео — только чтобы уступить все три категории конкурентам.

Конечно, не стоит списывать со счетов компании, создающие фундаментальные модели. На их стороне все еще есть много долговременных преимуществ, включая узнаваемость бренда, инфраструктуру и немыслимо огромные денежные резервы. Однако стратегия создания все более крупных фундаментальных моделей выглядит гораздо менее привлекательной, чем в прошлом году.